CN115629315A - 电池状态估计方法、电池状态估计装置、设备及存储介质 - Google Patents
电池状态估计方法、电池状态估计装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115629315A CN115629315A CN202211293352.1A CN202211293352A CN115629315A CN 115629315 A CN115629315 A CN 115629315A CN 202211293352 A CN202211293352 A CN 202211293352A CN 115629315 A CN115629315 A CN 115629315A
- Authority
- CN
- China
- Prior art keywords
- state
- value
- charge
- model
- voltage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本申请实施例提供了一种电池状态估计方法、电池状态估计装置、设备及存储介质,属于电池状态估计技术领域。该方法包括:根据预先构建的等效电路模型进行状态模型构建得到原始电池状态计算模型;将获得的电池测试数据对原始电池状态计算模型进行模型训练,得到目标电池状态计算模型;获取当前电压值和历史数值;将历史数值输入至目标电池状态计算模型进行预测计算得到荷电状态估计值;对荷电状态估计值进行电压计算得到电压估计值;根据电压估计值和当前电压值对荷电状态估计值进行修正处理得到当前时刻的当前荷电状态值。本申请实施例能够提升电池荷电状态值估计的精度。
Description
技术领域
本申请涉及电池状态估计技术领域,尤其涉及一种电池状态估计方法、电池状态估计装置、设备及存储介质。
背景技术
目前,电池状态估计并未考虑电池迟滞特性,因此相关技术中,对于电池状态估计的精度较低,考虑电池迟滞特征以进行电池状态估计是目标亟待解决的问题。
发明内容
本申请实施例的主要目的在于提出一种电池状态估计方法、电池状态估计装置、设备及存储介质,旨在考虑电池迟滞特征进行电池状态估计,提高电池电量的估计精度。
为实现上述目的,本申请实施例的第一方面提出了一种电池状态估计方法,所述方法包括:
根据预先构建的等效电路模型进行状态模型构建,得到原始电池状态计算模型;其中,所述等效电路模型包括:迟滞电压计算模型和电池电压计算模型;
将获得的电池测试数据对所述原始电池状态计算模型进行模型训练,得到目标电池状态计算模型;
获取当前电压值和历史数值;其中,所述当前电压值为当前时刻的电压测试值;所述历史数值为当前时刻的前一时刻的荷电状态值和电流测量值;
将所述历史数值输入至所述目标电池状态计算模型进行预测计算,得到荷电状态估计值;
对所述荷电状态估计值进行电压计算,得到电压估计值;
根据所述电压估计值和所述当前电压值对所述荷电状态估计值进行修正处理,得到当前时刻的当前荷电状态值。
在一些实施例,所述根据预先构建的等效电路模型进行状态模型构建,得到原始电池状态计算模型,包括:
根据基尔霍夫定律将所述迟滞电压计算模型和所述电池电压计算模型进行计算,得到目标电压计算模型;
根据所述目标电压计算模型获取滞后状态计算模型;
根据所述滞后状态计算模型对所述目标电压计算模型中电阻电容进行数值分析,得到电流计算模型;
对所述电流计算模型进行离散化计算,得到电流离散化模型;
根据所述电流离散化模型构建所述原始电池状态计算模型。
在一些实施例,所述将获得的电池测试数据对所述原始电池状态计算模型进行模型训练,得到目标电池状态计算模型,包括:
根据预设的最小二乘法和获取的所述电池测试数据对所述原始电池状态计算模型进行参数计算,得到模型参数;
根据所述模型参数对所述原始电池状态计算模型进行参数调整,得到所述目标电池状态计算模型。
在一些实施例,所述电池测试数据包括:荷电状态历史值和电流历史值和荷电状态验证值;所述根据预设的最小二乘法和所述电池测试数据对所述原始电池状态计算模型进行参数计算,得到模型参数,包括:
将所述荷电状态历史值和电流历史值输入所述原始电池状态计算模型;
通过所述原始电池状态计算模型根据所述荷电状态历史值和电流历史值进行预测计算,得到荷电状态预测值;
根据所述荷电状态验证值和所述荷电状态预测值对所述原始电池状态计算模型进行参数计算,得到所述模型参数。
在一些实施例,所述根据所述电压估计值和所述当前电压值对所述荷电状态估计值进行修正处理,得到当前时刻的当前荷电状态值,包括:
根据所述电压估计值和所述当前电压值进行差值计算,得到电压误差值;
根据所述电压误差值对所述荷电状态估计值进行修正处理,得到当前时刻的当前荷电状态值。
在一些实施例,所述历史数值包括:历史荷电状态值和历史电流测量值;所述将所述历史数值输入至所述目标电池状态计算模型进行预测计算,得到荷电状态估计值,包括:
将所述历史荷电状态值和所述历史电流测量值输入至所述目标电池状态计算模型进行容积点计算,得原始电池状态容积点;
通过所述目标电池状态计算模型对所述原始电池状态容积点进行重构计算,得到更新电池状态容积点;
通过所述目标电池状态计算模型对所述更新电池状态容积点进行加权求和计算,得到所述荷电状态估计值。
在一些实施例,在所述通过所述目标电池状态计算模型根据所述历史数值进行预测计算,得到荷电状态估计值之后,所述方法还包括:
对所述荷电状态估计值进行优化处理,得到荷电状态优化值,具体包括:
根据所述荷电状态估计值和所述更新电池状态容积点进行协方差的平方根计算,得到第一平方根;
根据所述第一平方根和所述荷电状态估计值进行容积点计算,得到优化电池状态容积点;
根据所述优化电池状态容积点进行预测计算,得到容积点预测值;
计算所述容积点预测值的协方差矩阵的平方根,得到第二平方根;
根据所述优化电池状态容积点、所述荷电状态估计值和所述第二平方根进行预测计算,得到容积点观测值;
根据所述容积点观测值和所述第二平方根进行增益矩阵求解,得到电池增益矩阵;
根据所述电池增益矩阵和所述更新电池状态容积点进行估计值计算,得到所述荷电状态优化值。
为实现上述目的,本申请实施例的第二方面提出了一种电池状态估计装置,所述装置包括:
状态模型构建模块,用于根据预先构建的等效电路模型进行状态模型构建,得到原始电池状态计算模型;其中,所述等效电路模型包括:迟滞电压计算模型和电池电压计算模型;
模型训练模块,用于将获得的电池测试数据对所述原始电池状态计算模型进行模型训练,得到目标电池状态计算模型;
数值获取模块,用于获取当前电压值和历史数值;其中,所述当前电压值为当前时刻的电压测试值;所述历史数值为当前时刻的前一时刻的荷电状态值和电流测量值;
预测模块,用于将所述历史数值输入至所述目标电池状态计算模型进行预测计算,得到荷电状态估计值;
电压计算模块,用于对所述荷电状态估计值进行电压计算,得到电压估计值;
修正模块,用于根据所述荷电状态估计值和所述当前电压值对所述荷电状态估计值进行修正处理,得到当前时刻的当前荷电状态值。
为实现上述目的,本申请实施例的第三方面提出了一种计算机设备,所述计算机设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,所述程序被所述处理器执行时实现上述第一方面所述的方法。
为实现上述目的,本申请实施例的第四方面提出了一种存储介质,所述存储介质为计算机可读存储介质,用于计算机可读存储,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述第一方面所述的方法。
本申请提出的电池状态估计方法、电池状态估计装置、设备及存储介质,其通过考虑电池迟滞特征以构建目标电池状态计算模型,相较于传统的等效电路模型具有更高的精度,然后通过目标电池状态计算模型根据前一时间的历史数值进行预测计算得到当前时刻的荷电状态估计值,再根据当前电压值和电压估计值对荷电状态估计值进行修正处理得到当前时刻的当前荷电状态值,从而提高荷电状态值估计的精度,提高荷电状态值估计的鲁棒性。
附图说明
图1是本申请实施例提供的电池状态估计方法的流程图;
图2是图1中的步骤S102的流程图;
图3是是本申请实施例提供的电池状态估计方法的等效电路图;
图4是图1中的步骤S104的流程图;
图5是图4中的步骤S401的流程图;
图6是图1中的步骤S106的流程图;
图7是是本申请另一实施例提供的电池状态估计方法的流程图;
图8是图1中的步骤S107的流程图;
图9是本申请实施例提供的电池状态估计装置的结构示意图;
图10是本申请实施例提供的计算机设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
首先,对本申请中涉及的若干名词进行解析:
荷电状态(Stateof Charge,SOC):电池荷电状态,也叫剩余电量,代表的是电池使用一段时间或长期搁置不用后的剩余可放电电量与其完全充电状态的电量的比值,常用百分数表示。其一般用一个字节也就是两位的十六进制表示(取值范围为0~100),含义是剩余电量为0%~100%,当SOC=0时表示电池放电完全,当SOC=100%时表示电池完全充满。
安时积分法:安时积分法锂电池已被广泛应用于工业、日常生活等领域,对电池荷电状态(SOC)的估算已成为电池管理的重要环节。但是,由于电池结构复杂,电池的荷电状态受放电电流、电池内部温度、自放电、老化等因素的影响,使得SOC的估算困难。SOC估算方法有:开路电压法、安时积分法、内阻法、神经网络和卡尔曼滤波法,开路电压法由于要预计开路电压,因此需要长时间静置电池组,内阻法存在着估算内阻的困难,在硬件上也难以实现,神经网络和卡尔曼滤波法则由于系统设置的困难,而且在电池管理系统中应用时成本很高,不具备优势,因此相对于开路电压法、内阻法、神经网络和卡尔曼滤波法本而言,安时积分由于简单,有效而常被采用。
最小二乘法:最小二乘法(又称最小平方法)是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据,并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合。
基尔霍夫电压定律:基尔霍夫电压定律(Kirchhoff laws)是电路中电压所遵循的基本规律,是分析和计算较为复杂电路的基础,内容是,在任何一个闭合回路中,各元件上的电压降的代数和等于电动势的代数和,即从一点出发绕回路一周回到该点时,各段电压的代数和恒等于零,即∑U=0。
迭代:迭代是重复反馈过程的活动,其目的是逼近所需目标或结果。[1]每一次对过程的重复称为一次“迭代”,而每一次迭代得到的结果会作为下一次迭代的初始值。对计算机特定程序中需要反复执行的子程序*(一组指令),进行一次重复,即重复执行程序中的循环,直到满足某条件为止,亦称为迭代。
锂电池荷电状态值估计算法是其他状态估计与管理算法的基础,因此,准确地进行荷电状态值估计是电池研究的重点和难点。其中,荷电状态值的准确性受到电化学反应、材料降解和老化周期的影响,锂离子电池在不同的工作条件下动态特征表现复杂,使得电池参数不断变化,从而影响荷电状态值估计困难。因此荷电状态值无法直接测量,则通过外部直观测量值,例如电压电流温度等数据来估计锂电池的荷电状态值。
相关技术中,对于荷电状态值估计方法主要有开路电压法、安时积分法,开路电压法则是将电池静置获取开路电压,然后根据荷电状态值与开路电压的映射关系获得荷电状态值。安时积分法则是对电流时间积分得到锂电池已放容量,然后利用剩余的容量除以总容量得到荷电状态值。若将开路电压法和安时积分法结合可以在BMS上低成本获取较为精确的荷电状态值,但是由于开路电压的获取需要电池长时间静置,且安时积分法没有自修正功能,容易产生误差,导致实际应用会存在一定问题。
由于锂电池荷电状态值估计时,第一针对电池复杂系统,由于电动汽车的工况复杂,具有加速、减速、爬坡、刹车灯动作频繁发生的工作场景,所以电池电压、电池电流波动激烈,对于电池模型的精度要求高,传统的等效电路模型在实际应用中会存在较大的误差。第二,由于算法估计的精度和鲁棒性问题,电池组在实际应用中会存在量测噪声及参数漂移的影响,导致荷电状态值估计受到干扰,且鲁棒性差。
基于此,本申请实施例提供了一种电池状态估计方法、电池状态估计装置、设备及存储介质,通过考虑电池迟滞特征以构建目标电池状态计算模型,相较于传统的等效电路模型具有更高的精度,然后通过目标电池状态计算模型根据前一时间的历史数值进行预测计算得到当前时刻的荷电状态估计值,再根据电压估计值和当前电压值对荷电状态估计值进行修正处理得到当前时刻的当前荷电状态值,从而提高荷电状态值估计的精度,提高荷电状态值估计的鲁棒性。
本申请实施例提供的电池状态估计方法、电池状态估计装置、设备及存储介质,具体通过如下实施例进行说明,首先描述本申请实施例中的电池状态估计方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
本申请实施例提供的电池状态估计方法,涉及人工智能技术领域。本申请实施例提供的电池状态估计方法可应用于终端中,也可应用于服务器端中,还可以是运行于终端或服务器端中的软件。在一些实施例中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等;服务器端可以配置成独立的物理服务器,也可以配置成多个物理服务器构成的服务器集群或者分布式系统,还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器;软件可以是实现电池状态估计方法的应用等,但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
图1是本申请实施例提供的电池状态估计方法的一个可选的流程图,图1中的方法可以包括但不限于包括步骤S101至步骤S106。
步骤S101,根据预先构建的等效电路模型进行状态模型构建,得到原始电池状态计算模型;其中,等效电路模型包括:迟滞电压计算模型和电池电压计算模型;
步骤S102,将获得的电池测试数据对原始电池状态计算模型进行模型训练,得到目标电池状态计算模型;
步骤S103,获取当前电压值和历史数值;其中,当前电压值为当前时刻的电压测试值;历史数值为当前时刻的前一时刻的荷电状态值和电流测量值;
步骤S104,将历史数值输入至目标电池状态计算模型进行预测计算,得到荷电状态估计值;
步骤S105,对荷电状态估计值进行电压计算,得到电压估计值;
步骤S106,根据电压估计值和当前电压值对荷电状态估计值进行修正处理,得到当前时刻的当前荷电状态值。
本申请实施例所示意的步骤S101至步骤S106,通过预先构建等效电路模型,等效电路模型根据迟滞电压计算模型和电池电压计算模型构建,以预先构建考虑电池迟滞效应的等效电路模型。然后根据迟滞电压计算模型和电池电压计算模型进行状态模型构建以得到原始电池状态计算模型,且原始电池状态计算模型用于计算电池荷电状态值。根据获取的电池测试数据对原始电池状态计算模型进行模型训练以构建目标电池状态计算模型,并将前一时刻的历史数值代入目标荷电状态计算模型得到荷电状态估计值,再根据荷电状态估计值进行电压计算得到电压估计值,再根据电压估计值和当前电压值对荷电状态估计值进行修正处理得到当前时刻的当前荷电状态值。因此,通过考虑电池迟滞效应构建目标电池状态计算模型,通过目标电池状态计算模型根据上一时刻的历史数值计算得到荷电状态估计值,再根据电压估计值和当前电压值对荷电状态估计值进行修正处理得到当前荷电状态值。因此,计算得到当前荷电状态值精度更高,提升荷电状态值计算的精度。
在一些实施例中,在步骤S101之前,预先构建等效电路模型,且等效电路模型包括迟滞电压计算模型和电池电压计算模型,传统通过电池电压计算模型计算电池电压,且电池电压计算模型包括内阻模型、PNGV模型、戴维南模型以及双极性模型。由于在实际充放电过程中,由于电池的极化作用会导致电池电压在电流大小或者方向发生突变时存在一定的迟滞效应。因此,放电过程静置后的平衡电压低于开路电压,而充电过程静置后的平衡电压高于开路电压,若以电池电压计算模型无法准确计算出开路电压值,所以考虑迟滞电压特征,获取迟滞电压计算模型,以根据迟滞电压计算模型和电池电压计算模型构建等效电路模型。因此考虑了电池迟滞效应,使得电压计算更加准确,则计算荷电状态值也更加准确。
需要说明的是,根据电池迟滞特性,定义迟滞电压包括瞬时滞后电压和动态滞后电压,定义迟滞电压为Vhysteresis,瞬时滞后电压为Vh0,动态滞后电压为Vh,因此迟滞电压计算模型包括:瞬时滞后电压计算模型和动态滞后电压计算模型,瞬时滞后电压计算模型可以由M0sgn(i[k])表示。式中,M0代表瞬态电流方向切换引起的最大极化度,单位为毫伏mV,sgn(i[k])为当前时刻的电流方向,定义放电为正,充电为负。动态滞后电压计算模型由Mh[k]表示,M为动态最大极化度,单位毫伏mV,h[k]代表k时刻滞后特性对应的状态特性,值的大小与电流的方向、大小相关,则总的迟滞电压计算模型为公式(1)所示:
Vhyteresis=Vh0+Vh=M0sgn(i[k])+Mh[k] (1)
请参阅图2,在一些实施例中,步骤S101可以包括但不限于包括步骤S201至步骤S205:
步骤S201,根据基尔霍夫定律将迟滞电压计算模型和电池电压计算模型进行计算,得到目标电压计算模型;
步骤S202,根据目标电压计算模型获取滞后状态计算模型;
步骤S203,根据滞后状态计算模型对目标电压计算模型中电阻电容进行数值分析,得到电流计算模型;
步骤S204,对电流计算模型进行离散化计算,得到电流离散化模型;
步骤S205,根据电流离散化模型构建原始电池状态计算模型。
本申请实施例所示意的步骤S201至步骤S205,通过将迟滞电压计算模型和电池电压计算模型进行计算得到目标电压计算模型,再根据目标电压计算模型获取滞后状态计算模型,再根据滞后状态计算模型对目标电压计算模型中电阻电容进行数值分析得到电流计算模型,再对电流计算模型进行离散化计算得到电流离散化模型,最好根据电流离散化模型构建原始电池状态计算模型,以考虑电池迟滞效应构建原始电池状态计算模型,以根据原始电池状态计算模型计算得到荷电状态值更加准确。
在一些实施例的步骤S201中,通过公式(1)可知迟滞电压计算模型,则根据基尔霍夫定律根据迟滞电压计算模型和电池电压计算模型得到目标电压计算模型。其中,参照图3所示,目标电压计算模型如公式(2)所示:
V(t)=OCV-Vhysteresis-iR0-iR1*R1
式中,OCV为开路电压,i为流经内阻的电流,R0为内阻,iR1流经用电电阻的电流,R1为用电电阻。且电池电压计算模型为:OCV-iR0-iR1*R1。
其中,根据目标电压计算模型和公式(1)可以得到将目标电压计算公式转换为端电压计算模型,且端电压计算模型如公式(3)所示:
V[k]=OCV(SOC[k],T[k])-M0sgn(i[k])-Mh[k]-i[k]R0-iR1[k]R1 (3)
式中,OCV是关于f(SOC,T)的函数。
在一些实施例的步骤S202中,根据目标电压计算模型滞后状态计算模型。且滞后状态特性定义为公式(4)所示:
式中,η为库伦效率,Q为电池容量,γ为全局待优化参数,将公式(2)进行离散化处理,得到滞后状态计算模型,且滞后状态计算模型如公式(5)所示:
因此,通过公式(5)可确定滞后状态计算模型。
在一些实施例的步骤S203中,根据滞后状态计算模型和基尔霍夫定律对目标电压计算模型中的电阻电容进行计算,以得到电流计算模型,且电流计算模型如公式(6)和公式(7)所示:
在一些实施例的步骤S204中,通过将电流计算模型进行离散化处理得到电流离散化模型,其中,电流离散化模式如公式(8)所示:
在一些实施例的步骤S205中,计算得到电流离散化模型,以通过安时积分法根据电流离散化模型构建荷电状态值计算模型,也即得到原始电池状态计算模型。其中,荷电状态计算模型具体计算过程如公式(9)和(10)所示:
将公式(9)离散化以得到离散化的原始电池状态计算模型为:
其中:
因此,通过公式(3)至(10)逐步计算得到原始电池状态计算模型,且根据公式(10)可知,可以通过上一时刻的荷电状态值计算得到当前时刻的荷电状态值,但是原始电池状态计算模型的模型参数并不确定,因此需要根据历史测试的电池测试数据进行参数求解以得到原始电池状态计算模型的模型参数,以根据模型参数构建目标电池状态计算模型,使得荷电状态值计算更精确。
在一些实施例中,在步骤S102之前,通过获取电池测试数据,且电池测试数据为历史充电和放电过程的电压数据、电流数据、荷电状态值,以根据电池测试数据训练原始电池状态计算模型以得到目标电池状态计算模型。
在一些实施例中,请参照图4,步骤S102可以包括但不限于包括步骤S401至步骤S402:
步骤S401,根据预设的最小二乘法和电池测试数据对获取的原始电池状态计算模型进行参数计算,得到模型参数;
步骤S402,根据模型参数对原始电池状态计算模型进行参数调整,得到目标电池状态计算模型。
在本申请实施例的步骤S401至步骤S402,通过根据最小二乘法和电池测试数据对原始电池状态计算模型进行参数计算得到模型参数,再根据模型参数调节原始电池状态计算模型的模型参数得到目标电池状态计算模型,以构建能够准确计算荷电状态值的目标电池状态计算模型。
在一些实施例的步骤S401中,使用带有遗忘因子的最小二乘法进行参数辨识,以根据最小二乘法和电池测试数据对原始电池状态计算模型进行参数求解,得到模型参数,使得模型参数计算更加准确。
需要说明的是,已知目标电压计算模型为:
V[k]=OCV(SOC[k],T[k])-M0sgn(i[k])-Mh[k]-i[k]R0-iR1[k]R1
且可以转换为:
记为:Y=Φθ;
式中,Φ=[-sgn(i[k]) -h[k] -i[k] -iR1[k]],
取评价准则函数J(θ),J(θ)=(Y-Φθ)2=(Y-Φθ)T(Y-Φθ)。
通过对函数J(θ)求极值,最小化误差的平方,以得到最优参数矩阵,令最优参数矩阵如公式(11):
所以根据上述推导公式,可以根据带遗忘因子的递推最小二乘法可以辨识出模型参数θ值,且模型参数的递推过程为公式(12)所示:
式中,λ为遗忘因子,取值0<λ<1,KLs,k为递推增益矩阵,PLs,k为所求荷电状态估计值的误差协方差矩阵。因此,根据最小二乘法计算出模型参数,使得模型参数计算简易。
在一些实施例中,请参照图5,电池测试数据包括:荷电状态历史值、电流历史值和荷电状态验证值;步骤S401可以包括但不限于包括步骤S501至步骤S503:
步骤S501,将荷电状态历史值和电流历史值输入原始电池状态计算模型;
步骤S502,通过原始电池状态计算模型根据荷电状态历史值和电流历史值进行预测计算,得到荷电状态预测值;
步骤S503,根据荷电状态验证值和荷电状态预测值对原始电池状态计算模型进行参数计算,得到模型参数。
在本申请实施例的步骤S501至步骤S503,通过将电池状态历史值输入原始电池状态计算模型,以通过原始电池状态计算模型根据荷电状态历史值和电流历史值进行下一时刻荷电状态预测以得到荷电状态预测值,则根据荷电状态验证值将原始电池状态计算模型的参数进行调整,以使荷电状态预测值逼近荷电状态验证值。其中,荷电状态预测值和荷电状态验证值设置多个,以通过原始电池状态计算模型计算多次得到荷电状态预测值,并将每一个荷电状态预测值和对应的荷电章台验证值逼近,以计算总的误差值最小时对应的参数为模型参数,以根据模型参数构建的目标电池状态计算模型能够估计荷电状态值更加准确。
在一些实施例的步骤S105中,通过获取当前时刻的当前电压值,再获取当前时刻前一时刻的历史数值,且历史数值包括历史荷电状态值和历史电流测量值,以将历史荷电状态值和历史电流测量值输入目标电池状态计算模型以对当前时刻的荷电状态值预估得到荷电状态估计值。
在一些实施例的步骤S106中,将历史数值,也即将历史荷电状态值和历史电流测量值输入目标电池状态计算模型,通过目标电池状态计算模型根据历史荷电状态值和历史电流测量值进行预测计算得到荷电状态估计值,使得荷电状态估计值计算更加简易。
请参阅图6,在一些实施例,历史数值包括:历史荷电状态值和历史电流测量值;步骤S104包括但不限于包括步骤S601至步骤S603:
步骤S601,将历史荷电状态值和历史电流测量值输入至目标电池状态计算模型进行容积点计算,得原始电池状态容积点;
步骤S602,通过目标电池状态计算模型对原始电池状态容积点进行重构计算,得到更新电池状态容积点;
步骤S603,通过目标电池状态计算模型对更新电池状态容积点进行加权求和计算,得到荷电状态估计值。
在本申请实施例的步骤S601至步骤S603中,通过将历史荷电状态值和历史电流测量值输入至目标电池状态计算模型根据进行容积点计算得到原始电池状态容积点,然后对原始电池状态容积点进行重构得到更新电池状态容积点,最后对更新电池状态容积点进行权重计算得到荷电状态估计值。因此,通过安时积分法进行荷电状态值估计,使得荷电状态估计值更加简易。
在一些实施例的步骤S601中,通过目标电池状态计算模型对历史荷电状态值和历史电流测量值进行容积点计算,需要定义非线性离散状态空间模型,再确定目标电池状态计算模型的初始化状态,则可以根据目标电池状态计算模型计算前一时刻的电池状态容积点。
具体地,通过定义非线性离散状态空间模型如公式(13)所示:
xk=f(xk-1,uk-1)+ωk-1,k=1,2,...
zk=h(xk,uk)+vk,k=0,1,2,... (13)
因此,根据非线性离散状态空间模型确定目标电池状态计算模型的初始化状态公式(14)所示:
确定初始化状态后,通过目标电池状态计算模型根据历史荷电状态值和历史电流测量值进行前一时刻的原始电池状态容积点为:
在一些实施例的步骤S602中,计算得到原始电池状态容积点后,根据原始电池状态容积点重新生成新的电池状态容积点,以得到更新电池状态容积点,且更新电池状态容积点计算如公式(16)所示:
在一些实施例的步骤S603中,通过对更新电池状态容积点进行加权求和,由前一时刻的更新电池状态容积点计算得到当前时刻的电池状态估计值。也即,由k-1时刻估计出k时刻的电池状态估计值如公式(17)所示:
因此,通过目标电池状态计算模型以容积点计算方式计算得到电池状态估计值,使得电池状态估计值计算简易。
在一些实施例中,在步骤S106之后,电池状态估计方法还包括但不限于包括:对荷电状态估计值进行优化处理,得到荷电状态优化值。
需要说明的是,通过对荷电状态估计值进行优化处理,以得到更加准确的荷电状态估计值。
请参阅图7,在一些实施例中,对荷电状态估计值进行优化处理,得到荷电状态优化值。可以包括但不限于包括步骤S701至步骤S707:
步骤S701,根据荷电状态估计值和更新电池状态容积点进行协方差的平方根计算,得到第一平方根;
步骤S702,根据第一平方根和荷电状态估计值进行容积点计算,得到优化电池状态容积点:
步骤S703,根据优化电池状态容积点进行预测计算,得到容积点预测值;
步骤S704,计算容积点预测值的协方差矩阵的平方根,得到第二平方根;
步骤S705,根据优化电池状态容积点、荷电状态估计值和第二平方根进行预测计算,得到容积点观测值;
步骤S706,根据容积点观测值和第二平方根进行增益矩阵求解,得到电池增益矩阵;
步骤S707,根据电池增益矩阵和更新电池状态容积点进行估计值计算,得到荷电状态优化值。
在一些实施例的步骤S701中,对荷电状态估计值和更新电池状态容积点进行协方差矩阵的平方根计算,以得到第一平方根。其中,第一平方根的计算公式如公式(18)所示:
式中,S=Tria(A)表示矩阵A的QR分解,得到一个正交矩阵B和一个上三角矩阵C,定义S=CT,S为上三角矩阵。
在一些实施例的步骤S702中,根据第一平方根和荷电状态估计值进行容积点计算,也即利用球面-经向准则生成一组等权重的容积点以得到有优化电池状态容积点。且优化电池状态容积点计算如公式(19)所示:
在一些实施例的步骤S703中,计算得到优化电池状态容积点后,需要计算当前时刻的预测值,也即得到容积点预测值。且容积点预测值的计算公式如公式(20)所示:
在一些实施例的步骤S704中,通过容积点预测值计算完成后,计算容积点预测值的协方差矩阵的平方根以得到第二平方根。其中,第二平方根的计算方式如公式(21)所示:
在一些实施例的步骤S705中,根据优化电池状态容积点、荷电状态估计值和第二平方根再次进行第二平方根的观测值计算以得到容积点观测值。其中,容积点观测值的计算公式如公式(22)所示:
在一些实施例的步骤S706中,根据容积点观测值和第二平方根进行增益矩阵求解以得到电池增益矩阵。其中,电池增益矩阵具体计算如公式(23)所示:
在一些实施例的步骤S707中,计算得到电池增益矩阵后,根据电池增益矩阵和更新电池容积点进行估计值计算得到荷电状态优化值,以优化荷电状态估计值。若计算得到当前时刻的荷电状态优化值,若需要计算下一时刻的荷电状态值,则根据荷电状态优化值以步骤S701至步骤S707再次计算得到下一个时刻的荷电状态估计值后再进行优化,使得荷电状态值的估计更加准确。
在一些实施例中,请参照图8,步骤S105可以包括但不限于包括步骤S801至步骤S802:
步骤S801,根据模型参数对目标电压计算模型进行参数调整,得到端电压计算模型;
步骤S802,通过端电压计算模型对荷电状态估计值进行电压计算,得到电压估计值。
在本申请实施例的步骤S801和步骤S802,通过计算得到模型参数后,根据模型参数对目标电压计算模型进行参数调整以得到端电压计算模型,其中,端电压计算模型如公式(3)所示,以根据端电压计算模型根据荷电状态估计值进行电压计算,以得到端电压值也即得到电压估计值。
在一些实施例中,步骤S106可以包括但不限于包括:
根据电压估计值和当前电压值进行差值计算,得到电压误差值;
根据电压误差值对荷电状态估计值进行修正处理,得到当前时刻的当前荷电状态值。
需要说明的是,根据荷电状态估计值反推计算当前电池模型的端电压,以便于根据电压估计值和当前测量的当前电压值进行差值计算得到电压误差值,以根据电压误差值修正荷电状态估计值,得到当前时刻的当前荷电状态值,使得当前时刻的荷电状态值计算更加准确。完成当前时刻的荷电状态值计算后,也可以根据当前时刻的荷电状态值进行迭代更新以计算下一时刻的荷电状态值,使得荷电状态值计算更加准确。
本申请实施例通过构建考虑迟滞效应的等效电路模型,再根据等效电路模型构建目标电池状态计算模型,以通过目标电池状态计算模型根据历史荷电状态值和历史电流测量值计算得到当前时刻的荷电状态估计值,再通过荷电状态估计值进行电压计算得到电压估计值,并将电压估计值和当前电压值进行差值计算得到电压误差值,以通过电压误差值对荷电状态估计值进行修正得到当前荷电状态值,使得荷电状态值计算更加准确,提升荷电状态值估计的精度。
请参阅图9,本申请实施例还提供一种电池状态估计装置,可以实现上述电池状态估计方法,该装置包括:
状态模型构建模块901,用于根据预先构建的等效电路模型进行状态模型构建,得到原始电池状态计算模型;其中,等效电路模型包括:迟滞电压计算模型和电池电压计算模型;
模型训练模块902,用于将获得的电池测试数据对原始电池状态计算模型进行模型训练,得到目标电池状态计算模型;
数值获取模块903,用于获取当前电压值和历史数值;其中,当前电压值为当前时刻的电压测试值;历史数值为当前时刻的前一时刻的荷电状态值和电流测量值;
预测模块904,用于将历史数值输入至目标电池状态计算模型进行预测计算,得到荷电状态估计值;
电压计算模块905,用于对荷电状态估计值进行电压计算,得到电压估计值;
修正模块906,用于根据荷电状态估计值和当前电压值对荷电状态估计值进行修正处理,得到当前时刻的当前荷电状态值。
该电池状态估计装置的具体实施方式与上述电池状态估计方法的具体实施例基本相同,在此不再赘述。
本申请实施例还提供了一种计算机设备,计算机设备包括:存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线,程序被处理器执行时实现上述电池状态估计方法。该计算机设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图10,图10示意了另一实施例的计算机设备的硬件结构,计算机设备包括:
处理器101,可以采用通用的CPU(CentralProcessingUnit,中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案;
存储器102,可以采用只读存储器(ReadOnlyMemory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory,RAM)等形式实现。存储器102可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器102中,并由处理器101来调用执行本申请实施例的电池状态估计方法;
输入/输出接口103,用于实现信息输入及输出;
通信接口104,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;
总线105,在设备的各个组件(例如处理器101、存储器102、输入/输出接口103和通信接口104)之间传输信息;
其中处理器101、存储器102、输入/输出接口103和通信接口104通过总线105实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种存储介质,存储介质为计算机可读存储介质,用于计算机可读存储,存储介质存储有一个或者多个程序,一个或者多个程序可被一个或者多个处理器执行,以实现上述电池状态估计方法。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图1-8中示出的技术方案并不构成对本申请实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括多指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例,并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本申请实施例的权利范围之内。
Claims (10)
1.一种电池状态估计方法,其特征在于,所述方法包括:
根据预先构建的等效电路模型进行状态模型构建,得到原始电池状态计算模型;其中,所述等效电路模型包括:迟滞电压计算模型和电池电压计算模型;
将获得的电池测试数据对所述原始电池状态计算模型进行模型训练,得到目标电池状态计算模型;
获取当前电压值和历史数值;其中,所述当前电压值为当前时刻的电压测试值;所述历史数值为当前时刻的前一时刻的荷电状态值和电流测量值;
将所述历史数值输入至所述目标电池状态计算模型进行预测计算,得到荷电状态估计值;
对所述荷电状态估计值进行电压计算,得到电压估计值;
根据所述电压估计值和所述当前电压值对所述荷电状态估计值进行修正处理,得到当前时刻的当前荷电状态值。
2.根据权利要求1所述的方法,其特征在于,所述根据预先构建的等效电路模型进行状态模型构建,得到原始电池状态计算模型,包括:
根据基尔霍夫定律将所述迟滞电压计算模型和所述电池电压计算模型进行计算,得到目标电压计算模型;
根据所述目标电压计算模型获取滞后状态计算模型;
根据所述滞后状态计算模型对所述目标电压计算模型中电阻电容进行数值分析,得到电流计算模型;
对所述电流计算模型进行离散化计算,得到电流离散化模型;
根据所述电流离散化模型构建所述原始电池状态计算模型。
3.根据权利要求2所述的方法,其特征在于,所述将获得的电池测试数据对所述原始电池状态计算模型进行模型训练,得到目标电池状态计算模型,包括:
根据预设的最小二乘法和获取的所述电池测试数据对所述原始电池状态计算模型进行参数计算,得到模型参数;
根据所述模型参数对所述原始电池状态计算模型进行参数调整,得到所述目标电池状态计算模型。
4.根据权利要求3所述的方法,其特征在于,所述电池测试数据包括:荷电状态历史值和电流历史值和荷电状态验证值;所述根据预设的最小二乘法和所述电池测试数据对所述原始电池状态计算模型进行参数计算,得到模型参数,包括:
将所述荷电状态历史值和电流历史值输入所述原始电池状态计算模型;
通过所述原始电池状态计算模型根据所述荷电状态历史值和电流历史值进行预测计算,得到荷电状态预测值;
根据所述荷电状态验证值和所述荷电状态预测值对所述原始电池状态计算模型进行参数计算,得到所述模型参数。
5.根据权利要求4所述的方法,其特征在于,所述根据所述电压估计值和所述当前电压值对所述荷电状态估计值进行修正处理,得到当前时刻的当前荷电状态值,包括:
根据所述电压估计值和所述当前电压值进行差值计算,得到电压误差值;
根据所述电压误差值对所述荷电状态估计值进行修正处理,得到当前时刻的当前荷电状态值。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述历史数值包括:历史荷电状态值和历史电流测量值;所述将所述历史数值输入至所述目标电池状态计算模型进行预测计算,得到荷电状态估计值,包括:
将所述历史荷电状态值和所述历史电流测量值输入至所述目标电池状态计算模型进行容积点计算,得原始电池状态容积点;
通过所述目标电池状态计算模型对所述原始电池状态容积点进行重构计算,得到更新电池状态容积点;
通过所述目标电池状态计算模型对所述更新电池状态容积点进行加权求和计算,得到所述荷电状态估计值。
7.根据权利要求6所述的方法,其特征在于,在所述通过所述目标电池状态计算模型根据所述历史数值进行预测计算,得到荷电状态估计值之后,所述方法还包括:
对所述荷电状态估计值进行优化处理,得到荷电状态优化值,具体包括:
根据所述荷电状态估计值和所述更新电池状态容积点进行协方差的平方根计算,得到第一平方根;
根据所述第一平方根和所述荷电状态估计值进行容积点计算,得到优化电池状态容积点;
根据所述优化电池状态容积点进行预测计算,得到容积点预测值;
计算所述容积点预测值的协方差矩阵的平方根,得到第二平方根;
根据所述优化电池状态容积点、所述荷电状态估计值和所述第二平方根进行预测计算,得到容积点观测值;
根据所述容积点观测值和所述第二平方根进行增益矩阵求解,得到电池增益矩阵;
根据所述电池增益矩阵和所述更新电池状态容积点进行估计值计算,得到所述荷电状态优化值。
8.一种电池状态估计装置,其特征在于,所述装置包括:
状态模型构建模块,用于根据预先构建的等效电路模型进行状态模型构建,得到原始电池状态计算模型;其中,所述等效电路模型包括:迟滞电压计算模型和电池电压计算模型;
模型训练模块,用于将获得的电池测试数据对所述原始电池状态计算模型进行模型训练,得到目标电池状态计算模型;
数值获取模块,用于获取当前电压值和历史数值;其中,所述当前电压值为当前时刻的电压测试值;所述历史数值为当前时刻的前一时刻的荷电状态值和电流测量值;
预测模块,用于将所述历史数值输入至所述目标电池状态计算模型进行预测计算,得到荷电状态估计值;
电压计算模块,用于对所述荷电状态估计值进行电压计算,得到电压估计值;
修正模块,用于根据所述荷电状态估计值和所述当前电压值对所述荷电状态估计值进行修正处理,得到当前时刻的当前荷电状态值。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的计算机程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,所述计算机程序被所述处理器执行时实现如权利要求1至7任一项所述的方法的步骤。
10.一种存储介质,所述存储介质为计算机可读存储介质,用于计算机可读存储,其特征在于,所述存储介质存储有一个或者多个计算机程序,所述一个或者多个计算机程序可被一个或者多个处理器执行,以实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211293352.1A CN115629315A (zh) | 2022-10-21 | 2022-10-21 | 电池状态估计方法、电池状态估计装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211293352.1A CN115629315A (zh) | 2022-10-21 | 2022-10-21 | 电池状态估计方法、电池状态估计装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115629315A true CN115629315A (zh) | 2023-01-20 |
Family
ID=84907131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211293352.1A Pending CN115629315A (zh) | 2022-10-21 | 2022-10-21 | 电池状态估计方法、电池状态估计装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115629315A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116184216A (zh) * | 2023-04-28 | 2023-05-30 | 广汽埃安新能源汽车股份有限公司 | 电池状态检测方法及装置 |
CN116299015A (zh) * | 2023-05-25 | 2023-06-23 | 广汽埃安新能源汽车股份有限公司 | 电池状态评估方法、装置、电子设备及存储介质 |
-
2022
- 2022-10-21 CN CN202211293352.1A patent/CN115629315A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116184216A (zh) * | 2023-04-28 | 2023-05-30 | 广汽埃安新能源汽车股份有限公司 | 电池状态检测方法及装置 |
CN116299015A (zh) * | 2023-05-25 | 2023-06-23 | 广汽埃安新能源汽车股份有限公司 | 电池状态评估方法、装置、电子设备及存储介质 |
CN116299015B (zh) * | 2023-05-25 | 2023-08-08 | 广汽埃安新能源汽车股份有限公司 | 电池状态评估方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Peng et al. | An improved state of charge estimation method based on cubature Kalman filter for lithium-ion batteries | |
CN113466723B (zh) | 确定电池荷电状态的方法及装置,电池管理系统 | |
CN115629315A (zh) | 电池状态估计方法、电池状态估计装置、设备及存储介质 | |
He et al. | Online estimation of model parameters and state-of-charge of LiFePO4 batteries in electric vehicles | |
Antón et al. | Battery state-of-charge estimator using the SVM technique | |
He et al. | Online model-based estimation of state-of-charge and open-circuit voltage of lithium-ion batteries in electric vehicles | |
CN112327166B (zh) | 基于分数阶平方根无迹卡尔曼滤波的锂电池soc估计方法 | |
CN110688808B (zh) | 一种动力电池模型的粒子群及lm优化混合迭代辨识方法 | |
CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
Locorotondo et al. | Online identification of thevenin equivalent circuit model parameters and estimation state of charge of lithium-ion batteries | |
Li et al. | A novel parameter and state-of-charge determining method of lithium-ion battery for electric vehicles | |
EP1989563A1 (en) | System and method for determining both an estimated battery state vector and an estimated battery parameter vector | |
Solomon et al. | State of charge estimation of Lithium-ion battery using an improved fractional-order extended Kalman filter | |
JP6450565B2 (ja) | バッテリのパラメータ推定装置 | |
CN113156321A (zh) | 一种锂离子电池荷电状态soc的估算方法 | |
EP3593156A2 (en) | A battery state of power estimation method and a battery state monitoring system | |
JP6947937B2 (ja) | 電池状態推定装置、電池制御装置 | |
Chang et al. | A probabilistic approach for prognosis of battery pack aging | |
CN111142025A (zh) | 一种电池soc估算方法、装置、存储介质及电动汽车 | |
CN113466725B (zh) | 确定电池荷电状态的方法及装置,存储介质及电子设备 | |
CN115453376A (zh) | 电动汽车动力电池的状态监控方法、系统及电动汽车 | |
CN112946481A (zh) | 基于联合h∞滤波的滑模观测器锂离子电池soc估计方法及电池管理系统 | |
CN114879070A (zh) | 一种电池状态评估方法及相关设备 | |
CN113884915A (zh) | 用于锂离子电池荷电状态和健康状态预测的方法及系统 | |
CN111337833B (zh) | 一种基于动态时变权重的锂电池容量集成预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 518000 1-2 Floor, Building A, Xinwangda Industrial Park, No. 18 Tangjianan Road, Gongming Street, Guangming New District, Shenzhen City, Guangdong Province Applicant after: Xinwangda Power Technology Co.,Ltd. Address before: 518000 Xinwangda Industrial Park, No.18, Tangjia south, Gongming street, Guangming New District, Shenzhen City, Guangdong Province Applicant before: SUNWODA ELECTRIC VEHICLE BATTERY Co.,Ltd. |
|
CB02 | Change of applicant information |